支持向量机（SVM）是一种广泛应用于分类问题的监督学习算法。在评估SVM分类性能时，ROC曲线是一个重要的工具。ROC曲线，即受试者工作特征曲线，能够帮助我们评估分类器的性能。以下是绘制支持向量机ROC曲线的步骤。

一、准备数据 首先，我们需要准备已标记好的数据集，包括训练集和测试集。数据需要经过预处理，如归一化或标准化，确保每个特征对分类结果的影响是公平的。

二、训练SVM模型 利用训练数据集对SVM模型进行训练。在此过程中，会涉及到选择合适的核函数和调整超参数，以达到最佳的分类效果。

三、预测概率 在SVM模型训练完成后，使用测试集进行预测。不同于直接预测类别，我们需要得到每个测试样本属于正类的概率估计。

四、计算ROC曲线所需参数 对于测试集中的每个样本，根据预测的概率将其排序。然后，根据不同的概率阈值，计算真正类率（TPR）和假正类率（FPR）。

五、绘制ROC曲线 在坐标轴上，以FPR为横坐标，TPR为纵坐标，将不同阈值下的点连接起来，即可得到ROC曲线。理想情况下，ROC曲线会靠近左上角，表示分类器的性能越好。

六、评估模型 通过计算ROC曲线下的面积（AUC）来评估模型性能。AUC值越接近1，表示模型分类性能越好。

总结来说，绘制支持向量机的ROC曲线需要完成数据准备、模型训练、概率预测、参数计算和曲线绘制等步骤。这个过程不仅能够帮助我们评估分类器的性能，还能指导我们进行模型选择和参数调优。

需要注意的是，ROC曲线适用于类别不平衡的问题，但它不能直接告诉我们具体的分类阈值。因此，在实际应用中，还需结合具体问题来选择合适的分类阈值。